正则表达式中的子组模式

Posted 2021-05-02 PHP在线

注意，这里的lt必须放在lte的后面，否则的话正则表达式解析器读到lt时分支就已经匹配成功了，那么lte就永远不会被匹配到。

三、非捕获子组

有些时候子组只是用来描述“分支”的匹配的，我们并不想让最后的$matches里面出现括号里的内容，此时可以用非捕获子组(?:)告诉正则表达式解析器，它不需要被捕获：

'#(?:https?|ftp)://([A-Za-z\.]+)#'

这样，URL里面主机名部分就会被存放至$matches数组下标为1的域内。而前面的https?|ftp虽然也被打了圆括号，但是由于圆括号中有?:，所以并不会被保存到$matches中。

不过这里仅仅是举例子，在实际应用中，可以调用parse_url函数来更好地完成获取主机名的任务。

四、前向探测（Lookahead）

前向探测的目的是，在当前的点，向后读入内容（对于读取匹配内容的程序来说，它即将读入的内容被称为“前”；但是对于阅读者来说，即将读入的内容被
称为“后”），判断其是否与子组中的正则表达式相匹配。如果匹配，则继续匹配后面的内容，否则匹配失败。虽然前向探测会向后读入内容，但是被读入的内容并
不会被“消耗”掉，也不算做正则表达式匹配的一部分，也就是说，后面的正则表达式依然可以匹配到向后读入的内容。

如果这样说不太明白，可以看看下面的例子。利用(?=)就可以构造一个前向探测：

'#\d*(?= mm)#'

这个正则表达式会匹配如'100 mm'这样的字符串。由于前向探测的正则表达式mm并不属于正则表达式的一部分，所以最后整个表达式（注意，不是$matches下标为1的域，而是整个表达式，也就是下标0）匹配出来的结果是'100'。

更好的例子是检查密码是否符合规范：

'#^(?=\w{8,20}$)(?=[^A-Z]*[A-Z])(?=[^a-z]*[a-z])(?=\D*\d)(?=[^_]*_).*$#'

这个正则表达式在最开头的地方依次使用了5个前向探测子组，分别检查密码长度在8至20之间、含有大写字母、含有小写字母、含有数字以及含有下划线。只有当这五个条件都满足，正则表达式才会继续向下匹配。由于这些子组都不会消耗读入的内容，所以最后我们简单地使用一个.*就可以获取整个密码字符串。

五、前向逆探测（Negative Lookahead）

与前向探测类似，只不过子组中的表达式必须不满足才行。它的构造方法为(?!)：

'#\d*(?!\d| mm)#'

这个表达式除了类似于'100 mm'以外其余的类似于'100 cm'这样的字符串都可以被匹配。注意子组正则表达式里面加了一个\d，因为不加它，当读入'100 mm'的时候，表达式还是会匹配到'10'，这是因为'0 mm'不匹配' mm'。

六、后向探测（Lookbehind）

与前向探测类似，后向探测只不过是以当前点为准，向前读入内容。后向探测的构造方法为(?<=)：

'#(?<=EUR ).*#'

这个正则表达式会匹配'EUR 100'这样的字符串。匹配结果为'100'而不是'EUR 100'，这是因为后向探测是以当前点为准，向前读入内容，这也就意味着，当开始进行最后.*的匹配时，'EUR '早已被读过了。

不过这并不意味着后向探测会消耗内容，只是因为我们并没有在正则表达式中匹配'EUR '而已。如果你有兴趣，可以尝试下面的表达式：

'#EUR (?<=EUR)\d*#'

这样，匹配出来的结果就是'EUR 100'了。

七、后向逆探测（Negative Lookbehind）

与后向探测类似，只不过子组内的表达式必须不匹配。这里就不再举例了。

八、命名子组

我们可以利用下面的语法命名一个子组：

'#(?P<prefix>A+)C#'

它会匹配类似于'AAAAC'的字符串，子组匹配的内容'AAAA'不仅会以数字下标保存（这个例子中为1），亦会以字符串下标（'prefix'）保存在$matches里面。

九、子组的重复利用

利用下面的方式我们可以重复利用已经在正则表达式中出现的子组：

'#(\w+) (?1)#'

这个正则表达式会匹配'foo bar'。不过需要注意的是，重用的子组并不会被捕获。如果想要捕获重用的子组，则应该在子组外面再加上一个括号：

'#(\w+) ((?1))#'

我们甚至可以通过子组名称来重复利用它：

'#(?<pattern>\w+) (?&pattern)#'

甚至还可以递归地调用子组：

'#(\w+, (?1)?)(\w+)#'

上面的表达式会匹配'foo, bar, baz, qux'。

十、重置分支

这一点在php官方文档中已经提到了：

'#(?:(Sat)ur|(Sun))day#'

当匹配'Sunday'的时候，我们会发现在$matches里面下标为1的域是空的，这是因为它尝试过匹配(Sat)，由于没有匹配到内容，所以它在$matches里面加入了一个空的匹配项。如果要去掉这个恼人的匹配项，我们需要在匹配不成功的时候重置分支：

'#(?|(Sat)ur|(Sun))day#'

将原来的冒号改为竖线之后，我们就会发现，原来空的匹配不见了。

十一、总结

上面的文章中介绍了PCRE中子组的使用方法，并且简单地介绍了九种子组的特殊功能。如果能够灵活地、适当地运用在我们的程序中，它就可以帮助我们省掉许多字符串处理的步骤。



参考资料：http://www.rexegg.com/regex-disambiguation.html